Nvidia lanza DGX Spark de 64 GB por 4 999 USD para ejecutar agentes y modelos de IA en local

Anuncio y disponibilidad

El 2 de octubre de 2026 Nvidia comunicó el lanzamiento de una nueva configuración de su línea DGX Spark, denominada DGX Spark 64 GB. El sistema incorpora 64 GB de memoria unificada y se ofrecerá a partir del 23 de octubre a un precio base de 4 999 USD. La venta se realizará mediante socios de canal como Acer, ASUS, Dell, Gigabyte, HP y MSI, lo que permite a los clientes elegir entre distintas marcas de referencia. Nvidia posiciona este modelo como la opción más asequible para ejecutar agentes de IA y realizar ajustes finos sin depender exclusivamente de la nube.

En términos de arquitectura, el DGX Spark 64 GB mantiene el mismo superchip GB10 Grace Blackwell que la variante de 128 GB, junto con el sistema operativo DGX OS, la interfaz de red ConnectX‑7 y la pila de desarrollo CUDA. La memoria unificada combina RAM y VRAM en un único espacio direccionable, lo que simplifica la gestión de datos entre la CPU y la GPU. La presencia del superchip Grace Blackwell garantiza una capacidad de cálculo cercana al petaflop, mientras que la conectividad ConnectX‑7 permite enlaces de alta velocidad para configuraciones multinodo.

Capacidad de modelo y rendimiento

Nvidia afirma que una sola unidad DGX Spark 64 GB puede ejecutar modelos de hasta 100 000 millones de parámetros. Cuando se conectan dos unidades mediante una red de 200 GbE, la memoria combinada asciende a 128 GB, lo que duplica la capacidad de modelo a 200 000 millones de parámetros. En pruebas internas con el modelo Qwen 3.8 27B, la configuración de dos unidades mostró un aumento de rendimiento de aproximadamente 1,7 veces respecto a una sola unidad, lo que sugiere una escalabilidad eficiente para cargas de trabajo intensivas.

Los datos de capacidad y rendimiento provienen de la propia Nvidia; el sitio de MarkTechPost, que cubrió el anuncio, indica que el artículo está patrocinado y que las cifras deben considerarse declaraciones del proveedor, no resultados verificados por terceros. Esta aclaración es importante para los lectores que buscan una evaluación independiente del hardware.

Casos de uso previstos

Según Nvidia, el DGX Spark 64 GB está pensado para ejecutar agentes continuos, realizar inferencia en tiempo real, llevar a cabo ajustes finos de modelos y apoyar flujos de trabajo de ciencia de datos sin la necesidad de una conexión constante a la nube. La reducción de latencia y la mayor privacidad de los datos locales son argumentos clave para sectores como la salud, la finanza y la manufactura, donde la confidencialidad y la velocidad de respuesta son críticas.

Sin embargo, la capacidad de 64 GB de memoria unificada impone límites al contexto que pueden manejar los modelos y a la cantidad de solicitudes concurrentes que el sistema puede atender. Para aplicaciones que requieren contextos extensos o alta concurrencia, Nvidia sugiere escalar mediante la interconexión de varias unidades, lo que incrementa tanto el coste como la complejidad de la infraestructura.

Comparación con la competencia

En el mercado de hardware para IA local, otras marcas ofrecen soluciones basadas en GPUs de consumo o en aceleradores especializados, pero a menudo con precios superiores o con menor integración de software. El DGX Spark combina hardware de alto nivel con un stack de software optimizado (DGX OS y CUDA), lo que puede reducir el tiempo de integración para los equipos de desarrollo. El precio de partida de 4 999 USD lo sitúa por debajo de la mayoría de los sistemas de referencia que superan los 8 000 USD, aunque la comparación directa de rendimiento depende de la carga de trabajo específica.

Para las organizaciones en el ámbito hispanohablante, la llegada del DGX Spark 64 GB abre la posibilidad de ejecutar proyectos de IA avanzados sin depender exclusivamente de servicios en la nube. Las empresas podrán mantener datos sensibles dentro de sus propios centros, reducir costos de transferencia y aprovechar una arquitectura que permite escalar gradualmente mediante la adición de nodos. En la práctica, esto podría traducirse en una mayor autonomía tecnológica, una reducción de la huella de carbono asociada al tráfico de datos y una aceleración de la adopción de agentes de IA en procesos críticos.